DeepSDN：基于深度学习的软件定义网络模型，用于物联网网络中的网络威胁检测

物联网安全中传统机器学习模型因计算资源有限难以全面检测攻击，本研究提出基于软件定义网络（SDN）的深度学习架构，通过区块链实现设备认证并采用自适应阈值评分机制，结合云端SDN控制器动态整合边缘模型，有效抵御DDoS、MITM等零日攻击，平均准确率达99.15%。

摘要

物联网（IoT）为传统的通信模式带来了新的挑战，尤其是在安全性方面，而网络威胁的快速演变进一步加剧了这些挑战。传统的安全方法，尤其是那些使用机器学习模型的方法，常常受到有限计算资源的限制，难以在整个网络中检测到攻击。软件定义网络（SDN）通过集中安全策略来提供解决方案，从而实现更有效的安全管理和执行。本研究从安全角度探讨了SDN架构。本文提出了一种基于深度学习的SDN架构，用于物联网安全，能够显著提升实时网络威胁检测能力。具体而言，首先设计了一种使用区块链认证的安全通信通道，以抵御常见的入侵者；其次，采用了一种自适应阈值评分方法的深度学习模型，该模型在达到指定准确率之前会停止所有本地模型的训练，并允许边缘模型参与云模型的训练。为了降低CPU使用率并提供实时服务，SDN被用作基于云的系统安全管理员，通过从边缘设备向云SDN控制器发送请求来保护物联网网络免受零日攻击。通过使用E-IIoT和ToN-IoT两种不同的网络数据集进行仿真测试，验证了所提出框架的有效性，并将其结果与类似研究进行了比较。该模型能够有效检测和缓解DDoS、黑洞蠕虫、中间人攻击（MitM）和勒索软件等网络威胁，平均准确率为99.15%，精确率为99.31%，召回率为98.97%，F1分数为99.14%，同时在实时保护物联网网络的过程中消耗较少的CPU资源。